一種新的礦井監控視頻增強目標檢測算法

王樹奇，劉 貝，鄒 斐

（西安科技大學 通信與信息工程學院，陜西西安710054）

0 引 言

為了對煤礦井下安全生產人員進行有效檢測與追蹤，必須克服礦井下光線不足，照度低且粉塵大對監控圖像的影響問題，因此低照度圖像的增強至關重要。本文研究的圖像增強算法和目標檢測算法是在煤礦井下的環境中實現的。傳統的圖像增強方法［1］有頻域和空域增強兩種，主要方法有小波變換、Contourlet［2］變換等。高銀等提出了基于四階偏微分方程（PDE）模型的暗原色理論霧天圖像增強算法研究，這種模型在圖像增強的整體和細節方面效果較好［3］。LiYing等提出了一個參數化的新閾值函數，，新閾值函數提高了去噪信號的信噪比，減小了均方誤差，能夠實現對噪聲的邊緣抑制并且增加邊緣信息［4］。趙鴻圖等提出一種基于三次樣條插值的改進去噪算法，解決了交替投影法存在的計算量大和收斂速度慢問題［5］。夏欣雨等對模糊熵理論和小波分解進行了研究，把原始圖像通過小波分解為高、低頻分量，對高低頻分量采用不同的算法處理進行圖像增強［6］，但是此類算法在特定礦井環境中增強圖像效果不明顯。因此提出一種基于小波變換和暗原色先驗去霧相融合的算法，不僅能解決光照不均，提高圖像對比度，而且有效抑制圖像噪聲，增強了圖像細節，突出運動目標的邊緣信息保持能力。

運動目標檢測是將運動目標從靜態背景中分離出來的技術，是進行視頻分析最關鍵的一步。目前運動目標檢測算法主要有光流場法［7-8］、背景減除法［9-10］和幀間差分法［11-13］等，田小平等人在通過幀間差分法視頻圖像中檢測得到運動目標，并對運動目標進行了分類［14］；李曉瑜和馬大中針對光照突變產生的鬼影現象，采用三幀差分法融合高斯模型進行運動目標檢測［15］；施龍超等人針對基于卡爾曼濾波的背景差分算法存在背景更新不自適應，對光照變化、物體移入移出敏感等問題，提出了一種改進的以分類分塊為核心的背景差分算法［16］。Ridder與 Munkelt、Kirchner根據不同場景下光照強度的變化，提出了基于卡爾曼濾波的背景模型，提高了運動目標的檢測效果［17］；黃大衛提出一種基于分塊模型更新的單高斯背景建模方法［18］；張燕平等人引入了分塊建模的思想，提高了目標檢測的速率［19］；汪成亮等人通過減少了偵測掃描區域，并提出一種PCA-HOG描述子，從而提升了人體檢測速度［20］；習通針對計算圖像中特定像素點的光流矢量，提出一種基于稀疏光流的目標檢測算法［21］。實際場景中光流場檢測效果會受遮擋、多光源、透明性和噪聲等干擾因素影響，并且該方法計算量大；背景減除法會因背景的更新導致算法的復雜性增加，實時性變差；幀間差分法原理簡單，魯棒性好，但是容易產生“空洞”。由于煤礦生產環境特殊，不僅井下燈光昏暗，而且具有粉塵，導致圖像中的運動目標模糊和邊界不明顯等問題，漏檢和誤檢率較高，為了避免產生＂空洞＂現象并且提取清晰的運動目標輪廓，提出了一種基于混合高斯模型和三幀差分法的運動目標檢測方法，不僅可以消除因為背景更新不及時造成的圖像鬼影和空洞，而且能夠較好的保留被檢測目標的邊緣輪廓。

1 基于小波變換的礦井圖像增強算法

一幅圖像經過小波分解后，低頻分量代表對人體視覺成像影響較大的細節信息，高頻分量則包含著圖像邊緣信息和噪聲，通過暗原色先驗知識對經過小波分解后的低頻分量進行去霧處理，并對高頻分量用半軟閾值濾波法進行消噪，對兩個處理以后的分量進行融合，實現增強后的圖像重構。

1. 1 圖像增強的算法步驟

圖像增強的算法步驟如下

1）輸入煤礦井下低照度圖像 f（x，y）；

2）對 f（x，y）進行小波分解，獲得低頻分量 c1；

3）使用暗原色先驗去霧算法對c1進行去霧處理，得處理后的分量c3；

4）對低照度圖像f（x，y）小波分解得到的高頻分量c2采用半軟閥值法進行消噪，得到處理后的分量c4；

5）融合分量c4和分量c3重構圖像。

1. 2 圖像增強的算法流程圖

基于小波變換的礦井圖像增強算法流程如圖1所示。

圖1 基于小波變換的礦井圖像增強算法流程Fig.1 Flow chart ofmine image enhancement algorithm based on wavelet transform

2 傳統的運動目標檢測算法

2. 1 混合高斯背景模型

單高斯模型對所有像素點顏色特征采用一個模板進行匹配，實時更新處理完的每一幀背景，與當前圖像進行匹配，若匹配成功則為背景，匹配不成功則為前景［22］。自適應混合高斯模型適用于多種不同光照強度的場景，整個模型的抗干擾能力得到極大的提高。

在混合高斯模型中，對每一個像素點建立多個不同的高斯模型

式中 ωi，t為高斯模型的權值；K為高斯模型個數；K個權值的總和值為1；μi，t為i個高斯分布的均值；若假設每個像素點的RGB值是相互獨立的，那么為 t時刻的第 i個高斯分布

n為xt的維數值。

混合高斯背景建模［17］分為如下幾步

1）獲取當前幀的像素值，用每個像素值與K個高斯背景模型進行匹配

K值的大小直接影響最終的處理效果，K值越大，需要運算的時間越長，所以在不同的運算場景中應選取合適的值，一般取值為［3，5］；

2）若滿足式1），那么匹配成功，若不滿足：①當k＜K時，增加一個新高斯分布；②當k=K時，用建立的新的高斯分布代替

3）原高斯背景模型中的均值和標準差不變，更新其它的高斯分布參數

θ為參數學習率，ε為學習速率并且0≤ε≤1. 匹配檢驗后，更新同個像素的各個高斯分布權重

建立混合高斯模型時，通常只用幾個高斯分布表示背景，前景則由剩余的表示，因為背景存在持續的時間比前景久，所以在高斯混合模型中權重較大的分布表示背景部分。高斯模型建立完成后，每一個像素點都會按照優先級的順序對φi，t進行降序排列，將其中的前B個高斯分布作為背景像素的描述方式為

用xi，t與B個高斯分布進行匹配，匹配成功為背景點，匹配不成功為前景點，通過這個流程能夠實現對運動目標的檢測。

2. 2 三幀差分法

三幀差分法是對相鄰兩幀差分法的改進，通過對三幀視頻圖像連續進行差分運算，避免了兩幀差分法的弊端同時繼承了兩幀差分法優勢，原理如圖2所示。

圖2 三幀差分法關系Fig.2 Three-frame differencemethod relationship

如圖2，三幀差分法的關系，A，B，C分別為相鄰的不同三幀圖像，其中A圖像表示前一幀圖像，B圖像表示當前幀圖像，而C表示下一幀圖像。把前一幀圖像與當前幀圖像進行異或運算，得到新的圖像D；將B與C進行異或運算得到新圖像E；最后將D與E進行與運算得到新圖像F. 三幀差分法就是將當前幀圖像與前一幀圖像的不同差分運算得到新的幀圖像，經過這樣運算，可以得到更加清晰準確的運行目標輪廓。

假設三幀圖像分別為 dk，d1k，d2k，將三幀不同的圖像分別進行運算，具體運算方式如下

其中dk中像素值為255的是前景點，其余是背景點。因為圖像的概率密度函數近似接近于高斯分布，所以其閾值的設定可以依據3α準則

α，μ分別為概率密度的均值和方差。像素領域的背景差分為

l1，l2為鄰域半徑，常取 1，2.

因此，通過將前一幀圖像與當前幀圖像和下一幀圖像分別進行相應的差分運算得到新的差分圖像后，然后進行閾值和形態學的處理得到二值化圖像，將二值化圖像也進行相應的邏輯運算從而判定分析檢測到目標區域。

3 一種改進的井下視頻運動目標檢測算法

傳統高斯背景模型是對每一個像素點進行多個高斯背景模型的建立，由于更新機制時間長，環境不同，場景也不停地變化，就會造成背景模型不能及時更新。并且煤礦井下視頻圖像顏色單一，目標與背景顏色不宜區分，因此在運動目標檢測時背景無法及時的提取和更新，則導致最終的檢測不準確。

為了解決這個問題，將每一幀視頻圖像連續分割成N*N的小塊；然后用每一小塊的像素均值分別來替代整塊的像素值，在此技術上進行均值法建模，能夠大幅提高程序處理速度，方法如下

取視頻中任意點，將（xm，ym）在t時刻對視頻按從上到下，從左到右的順序分成N*N大小的方塊。假設

其中 I（i，j，t）為 t時刻之前的像素值，改進后的公式為

同樣對背景模型中匹配成功的高斯分布，其均值和方差也要進行更新

改進算法流程如圖3所示。

圖3 井下視頻運動目標檢測算法流程Fig.3 Flow chart ofmine videomoving target detection algorithm

傳統的高斯背景模型的更新速率是統一的，因此背景模型不能得到及時的更新，從而造成實際場景未能實時變化，也就是說真實的場景不能被表示，導致無法達到安全生產視頻監控的要求。所以實際操作時需要根據圖像不同的塊特點選擇相應的速率值。通常在初始化時取一個較大的T值來確定B值，對于單模態區域，使B=1更新速率θ賦值一個較小的值；對于多模態區域，通常B滿足1＜B≤k，更新速率θ賦值一個較大的值。

對于監控視頻場景中存在長期靜止的物體，如果發生突然運動，采用混合高斯模型對運動目標進行檢測則容易出現檢測錯誤，此外運動物體的陰影區域也很難建模，存在檢測精度達不到要求的問題。三幀差分法則克服了該缺點，對運動物體進行建模時具有較好的效果，整個運動目標的檢測精度和效率獲得極大提高。

改進的混合高斯背景模型融入了三幀差分法的原理，首先對視頻序列進行三幀差分，兩兩計算差分得到差分圖像，然后對得到的圖像采用改進的混合高斯背景建模法分別進行處理，將獲得的含有目標的2個差分圖像進行邏輯與運算，最后經過形態學處理，對其進行去除噪聲和填充“空洞”，從而提取出礦井下的人員目標。

4 仿真結果與分析

通過VS2013與OpenCv2.4.9從主觀和客觀2個方面對改進算法進行仿真實驗，計算機主頻和內存分別為3 GHz和3 GB，礦井視頻圖像增強仿真結果如圖4，圖5（a）～（b）所示，礦井視頻運動目標檢測仿真結果如圖6（a）～（c）所示。

圖4 礦井視頻圖像增強仿真結果（一）Fig.4 Mine video image enhancement simulation results（一）

圖5 礦井視頻圖像增強仿真結果（二）Fig.5 Mine video image enhancement simulation results（二）

圖4（b）和圖5（b）中圖像的亮度明顯提升，圖像的紋理和邊緣更加清晰，行人的輪廓和支護的形狀更易分辨，不僅實現了圖像的消噪處理，而且增強了圖像的細節信息，而融合的暗原色先驗算法也獲得除塵去霧的預期，為目標檢測奠定了堅實的基礎。

圖6 礦井視頻運動目標檢測仿真結果Fig.6 Simulation results ofmine videomoving target detection

圖6（a）中的檢測結果邊界不完整而且存在嚴重的鬼影，圖6（b）中改進的高斯背景建模方法性能有所改善，可是依然存在鬼影的現象，通過對視頻幀圖像進行分塊處理來進行運動目標檢測，并改進了更新速率，運算量大幅度降低。文中改進的高斯背景建模融合三幀差分法檢測結果如圖6（c）所示，運動目標輪廓清晰，完整性好，有效地消除了高斯背景模型更新不及時所產生的鬼影現象，完整的保留了其檢測的目標輪廓。

表1為高斯混合模型和改進的高斯混合模型的誤檢率和漏檢率，可見文中算法對礦井環境下運動目標檢測精確度顯著提升，對于誤檢和漏檢視頻信息進行分析，原因是在視頻監控中長期靜止不動的目標，突然發生運動，則會導致混合高斯背景模型無法及時對背景進行更新而造成的。

表1 3種算法的檢測結果Table 1 Test results of the three algorithms

建議的煤礦井下運動目標檢測算法，能達到106 ms/幀的檢測效率，傳統的不采用三幀差分法進行前景運動區域提取，其檢測效率高達550 ms/幀，本文算法提高約5倍左右，可以確保煤礦井下視頻實時監測需求。

5 結 論

1）小波分解與暗原色先驗去霧相融合的算法能夠有效去除圖像噪聲，淡化濃霧、提高圖像對比度以及解決光照不均等問題。改進的高斯背景模型融入三幀差分法，消除了高斯背景模型由于背景更新不及時而產生的鬼影現象，算法的運算量降低，運算速度有效提升，達到煤礦安全生產監控目標識別的實時性要求；

2）三幀差分法能準確迅速的定位運動目標，將混合高斯背景模型與三幀差分法相融合能克服漏檢和誤檢等問題，利用混合高斯背景模型獲得背景模板，處理中將當前幀圖像中的背景進行消除，然后選取合適的閾值，獲得了能夠抑制運動目標陰影的前景圖像，算法檢測的運動目標輪廓比較完整，能夠將背景和目標完整的區分出來，為煤礦安全生產奠定良好的基礎。